So sánh MiniMax M3, Kimi K2.7 Code và Nemotron 3 Ultra: Mô hình AI trọng số mở tốt nhất năm 2026

Ba mô hình trọng số mở khổng lồ ra mắt cách nhau trong vòng hai tuần. Một đến từ một startup Thượng Hải mà một năm trước không ai ngoài giới AI biết đến. Một đến từ phòng thí nghiệm AI được theo dõi nhiều nhất ở Bắc Kinh. Một đến từ công ty làm ra những con chip mà mọi người khác dùng để chạy mô hình của họ. Mỗi mô hình đang đặt cược vào một điều khác nhau về những gì quan trọng nhất trong tác nhân AI lúc này — và cả ba đều đáng để bạn dành sự quan tâm nghiêm túc.

---

---

Vì sao so sánh này quan trọng ngay lúc này

Nếu bạn đã theo dõi lĩnh vực AI trọng số mở trong sáu tháng qua, bạn hẳn đã biết câu chuyện đang tiến nhanh hơn bất kỳ ai dự đoán. Những năng lực từng đòi hỏi gói đăng ký Claude Opus giá 15 USD/triệu token cách đây mười hai tháng giờ đã có sẵn dưới dạng trọng số có thể tải về mà bạn có thể chạy trên máy chủ của riêng mình.

Nhưng tháng 6 năm 2026 lại hoàn toàn khác. Trong vòng mười hai ngày, ba bản phát hành trọng số mở lớn đã ra mắt cách nhau chỉ vài ngày: MiniMax M3 vào ngày 1 tháng 6, Nemotron 3 Ultra vào ngày 4 tháng 6, và — đúng là ngày hôm qua — Kimi K2.7 Code vào ngày 12 tháng 6. Cộng lại, chúng có thể nói là quãng hai tuần có ý nghĩa nhất trong lịch sử AI mã nguồn mở, và mỗi mô hình đang đặt cược theo một hướng kiến trúc và triết lý khác nhau về những gì thế hệ tác nhân AI tiếp theo cần làm.

Đây không chỉ là một bản tổng hợp benchmark. Chúng ta sẽ xem các mô hình này thực sự hành xử thế nào trong môi trường sản xuất: chúng hoạt động ra sao trên các framework tác nhân mà lập trình viên thực sự dùng — OpenClaw, Hermes Agent và quy trình làm việc VIBE Coding ngày càng phổ biến — và mỗi mô hình sẽ giúp bạn tiết kiệm tiền hay thời gian ở đâu, so với chỗ nó sẽ âm thầm khiến bạn thất vọng.

Hãy bắt đầu với việc các mô hình này thực sự là gì.

---

Tổng quan các ứng viên

Trước khi đi sâu, đây là bản tóm tắt trong 30 giây về từng mô hình là gì và vì sao nó tồn tại:

MiniMax M3 là nước đi của MiniMax có trụ sở tại Thượng Hải nhằm trở thành mô hình trọng số mở đầu tiên thực sự kết hợp ba thứ cùng lúc: hiệu năng lập trình ở mức tiên phong, cửa sổ ngữ cảnh một triệu token và đa phương thức gốc — bao gồm hình ảnh, video và điều khiển máy tính để bàn. Mô hình được phát hành theo giấy phép trọng số mở với giá đăng ký từ $20/tháng.

Kimi K2.7 Code là bản phát hành lớn thứ năm của Moonshot AI (Bắc Kinh) trong chưa đầy một năm — một bản nâng cấp tập trung hoàn toàn vào lập trình cho K2.6 vốn đã ấn tượng, cắt giảm khoảng 30% lượng token suy luận trong khi đẩy các benchmark tác nhân chủ chốt lên cao hơn đáng kể. Mô hình xuất hiện trên Hugging Face ngày hôm qua theo giấy phép MIT sửa đổi, với giá $0,95/$4,00 mỗi triệu token.

Nemotron 3 Ultra là câu trả lời của NVIDIA cho câu hỏi: nếu hãng sản xuất chip cũng tự xây mô hình thì sao? Với 550 tỷ tham số, đây là mô hình trọng số mở có năng lực nhất từ một phòng thí nghiệm tại Mỹ, đạt 47,7 trên Chỉ số Thông minh Artificial Analysis — mức điểm đưa nó vào cùng hạng với Claude Opus 4.6 và Kimi K2.6. Mô hình phát hành ngày 4 tháng 6 theo giấy phép OpenMDW-1.1 của Linux Foundation.

Ba mô hình. Ba câu chuyện xuất thân rất khác nhau. Tất cả đều đáng để chạy thử.

---

MiniMax M3

Ai tạo ra và vì sao

MiniMax không phải cái tên quen thuộc với hầu hết người ngoài giới AI, nhưng trong giới, công ty có trụ sở tại Thượng Hải này ngày càng khó bị bỏ qua. Họ niêm yết trên Sàn giao dịch Chứng khoán Hồng Kông vào tháng 1 năm 2026 và đã xây dựng hướng tới M3 trong phần lớn một năm. Lời chào hàng đầy tham vọng đến mức gần như hung hăng: M3 được định vị là mô hình trọng số mở đầu tiên kết hợp lập trình tiên phong, cửa sổ ngữ cảnh một triệu token và đa phương thức gốc trong một hệ thống duy nhất — và họ ra mắt với mức giá khiến giá của các mô hình đóng trông đắt đỏ.

Kiến trúc: MiniMax Sparse Attention

Câu chuyện kỹ thuật nổi bật ở đây là MiniMax Sparse Attention (MSA) kiến trúc. Cơ chế attention tiêu chuẩn của transformer có độ phức tạp bậc hai — mỗi token chú ý đến mọi token khác, nghĩa là tăng gấp đôi ngữ cảnh sẽ gần như tăng gấp bốn lần hóa đơn tính toán. Ở một triệu token, phép toán đó trở nên khắc nghiệt.

MiniMax xây dựng M3 trên thiết kế MSA mới, cắt chi phí tính toán trên mỗi token ở ngữ cảnh 1M xuống còn khoảng một phần hai mươi so với thế hệ trước, với tốc độ prefill nhanh hơn trên 9 lần và giải mã nhanh hơn trên 15 lần. Đây không phải là cải thiện nhỏ. Đây là khác biệt giữa việc cửa sổ ngữ cảnh một triệu token chỉ là thông số lý thuyết và việc bạn thực sự có thể đưa nó vào sản xuất mà hóa đơn GPU không tăng vọt.

Mô hình được xây dựng trên MiniMax Sparse Attention (MSA), thay thế attention đầy đủ bằng lựa chọn khối KV để cắt chi phí tính toán trên mỗi token ở ngữ cảnh dài, với prefill và giải mã nhanh hơn đáng kể trong khi vẫn giữ chất lượng trên hầu hết tác vụ.

Điều thú vị là MiniMax đã loại bỏ attention thưa trong thế hệ M2 và đưa nó trở lại riêng cho M3 — cho thấy họ đã có kiến trúc hoạt động nhưng cần thêm dữ liệu huấn luyện hoặc công việc căn chỉnh sau huấn luyện để làm nó cạnh tranh. M3 cho thấy họ đã giải quyết được.

M3 thực sự khác biệt ở đâu

MiniMax phát hành M3 kết hợp hiệu năng lập trình và hiệu năng tác nhân ở mức tiên phong với cửa sổ ngữ cảnh một triệu token và đa phương thức gốc, chỉ với một phần nhỏ chi phí của các mô hình độc quyền hàng đầu.

Khía cạnh đa phương thức đáng để dừng lại. M3 không chỉ chấp nhận hình ảnh — nó tiếp nhận hình ảnh, video và có thể vận hành máy tính để bàn trực tiếp. Với quy trình làm việc vibe coding, nơi bạn đưa vào ảnh chụp màn hình giao diện và nói “hãy xây cho tôi cái này,” điều đó thực sự hữu ích theo cách một mô hình lập trình chỉ văn bản không làm được.

MiniMax-M3 là mô hình tác nhân và lập trình đa phương thức tiên phong của MiniMax, được xây dựng trên kiến trúc MSA. Mô hình hỗ trợ cửa sổ ngữ cảnh lên tới 1M token và nhận đầu vào hình ảnh, video. Nó được thiết kế cho tạo mã, quy trình làm việc tác nhân, sử dụng công cụ, hiểu ngữ cảnh dài và suy luận nhiều bước.

Benchmark VIBE: Tiêu chuẩn do MiniMax tự tạo

Một điều đáng lưu ý: MiniMax không chỉ phát hành một mô hình — họ còn phát hành một benchmark mới. Khung VIBE (Benchmark trực quan & tương tác cho thực thi) là câu trả lời của MiniMax cho khoảng trống mà họ thấy trong các khung đánh giá hiện có. Khác với các benchmark truyền thống như SWE-bench và Terminal-bench, vốn tập trung vào tính đúng đắn tĩnh của mã hoặc hoàn thành tác vụ ở mức dòng lệnh, VIBE tự động đánh giá logic tương tác và cách trình bày trực quan của các ứng dụng được tạo ra trong một môi trường thực thi thật, mang lại đánh giá trung thực hơn về trải nghiệm người dùng thực tế.

Đây là một benchmark tự đề cao, đúng vậy — nhưng lời phê bình cốt lõi không sai. SWE-bench cho bạn biết liệu một mô hình có thể giải quyết các issue trên GitHub hay không; nó không cho bạn biết liệu mô hình có thể xây dựng một ứng dụng web đang chạy và nhất quán về hình ảnh từ một ảnh chụp màn hình hay không. M3 đạt điểm cao ở đây, điều này hợp lý với kiến trúc đa phương thức gốc của nó.

Benchmark MiniMax M3

MiniMax M3 đạt 59,0% trên SWE-Bench Pro, 66,0% trên Terminal-Bench 2.1, 34,8% trên SWE-fficiency và 83,5 trên BrowseComp. Con số BrowseComp đặc biệt nổi bật — 83,5 đưa nó vượt GPT-5.5 trên các tác vụ duyệt web tự động, đúng kiểu năng lực bạn muốn ở một tác nhân đang làm công việc lập trình nặng về nghiên cứu.

MiniMax M3 đạt 59,0% trên SWE-Bench Pro, vượt GPT-5.5 và Gemini 3.1 Pro, tiến gần Claude Opus 4.7. Nó cũng đạt 66,0% trên Terminal Bench 2.1, 34,8% trên SWE-fficiency, 28,8% trên KernelBench Hard và 74,2% trên MCP Atlas.

Một lưu ý đáng nêu: đường cơ sở so sánh trong tài liệu của chính MiniMax dùng Claude Opus 4.7, không phải Opus 4.8 mới ra mắt gần đây hơn. Cách trình bày đó không sai, nhưng các nhà phát triển đánh giá M3 so với mức trần benchmark hiện tại nên dùng số liệu Opus 4.8, vốn đặt M3 xa mức tiên phong hơn so với thông báo ra mắt ngụ ý.

Tuy vậy — 59% trên SWE-Bench Pro từ một mô hình trọng số mở với ngữ cảnh một triệu token là rất đáng chú ý, và dữ liệu độc lập phần lớn xác nhận các con số công ty báo cáo nằm trong khoảng hợp lý.

Giá

Khi ra mắt, MiniMax M3 được niêm yết trên OpenRouter ở mức $0,60 mỗi triệu token đầu vào và $2,40 mỗi triệu token đầu ra, với mức giảm giá khuyến mãi 50% tạm thời đưa giá xuống khoảng $0,30 đầu vào và $1,20 đầu ra mỗi triệu token — chỉ bằng một phần nhỏ so với các mô hình đóng tiên phong như Claude Opus và GPT-5.5.

Để so sánh: Claude Opus 4.8 có giá $5/$25 mỗi triệu token. M3 ở mức giá khuyến mãi rẻ khoảng một phần hai mươi chi phí đó. Ngay cả ở giá tiêu chuẩn, bạn đang xét mức một phần mười. Câu chuyện chi phí hấp dẫn không kém câu chuyện năng lực.

---

Kimi K2.7 Code

Ai tạo ra và vì sao

Moonshot AI ra mắt ngày hôm qua — 12 tháng 6 năm 2026 — với bản phát hành lớn thứ năm trong chưa đầy một năm của công ty có trụ sở tại Bắc Kinh, và họ đã định vị các mô hình của mình quanh ba trụ cột: năng lực tác nhân, xử lý ngữ cảnh mở rộng và đầu vào đa phương thức. Dòng Kimi K2 đã trở thành một trong những dòng trọng số mở được theo dõi nhiều nhất năm 2026, và K2.7 Code là phiên bản sắc bén nhất từ trước tới nay.

Việc đổi tên có ý nghĩa. Đây là lần đầu Moonshot đưa “Code” rõ ràng vào tên mô hình. Họ không giả vờ K2.7 là mô hình đa dụng — nó được tinh chỉnh cho kỹ thuật, không phải cho trò chuyện rộng, và họ muốn bạn biết điều đó.

Kiến trúc: Cùng nền tảng nghìn tỷ tham số, tinh chỉnh mạnh hơn

Kimi K2.7 Code là mô hình Mixture-of-Experts 1 nghìn tỷ tham số với 32B tham số hoạt động mỗi token và 384 chuyên gia, cửa sổ ngữ cảnh 262.144 token, kế thừa từ K2.6, với nén ngữ cảnh tự động cho các phiên chạy dài liên tục.

Bản thân kiến trúc không thay đổi đáng kể so với K2.6 — nó vẫn là khung MoE 1T đã giúp Kimi K2.6 trở thành mô hình trọng số mở xếp hạng cao nhất trên Chỉ số Thông minh Artificial Analysis hồi đầu năm nay. K2.7 Code là một bước tinh chỉnh có mục tiêu: vẫn khung gầm đó, nhưng động cơ được tinh chỉnh riêng cho quy trình làm việc lập trình tác nhân.

Kimi K2.7 Code là mô hình tác nhân tập trung vào lập trình của Moonshot AI, được xây dựng trên Kimi K2.6. Mô hình cải thiện khả năng hoàn thành tác vụ lập trình dài trong thế giới thực, khả năng tuân theo chỉ dẫn và hiệu quả token, đồng thời giảm khoảng 30% lượng token suy nghĩ so với Kimi K2.6.

Việc giảm 30% token suy nghĩ không phải chuyện nhỏ. Trong một phiên tác nhân lập trình chạy dài, nơi mô hình trải qua hàng trăm lượt, ít token suy nghĩ hơn nghĩa là chi phí thấp hơn và thời gian thực tế nhanh hơn. Nếu bạn đang chạy một việc như tái cấu trúc toàn bộ kho mã qua đêm, lợi ích hiệu quả của K2.7 so với K2.6 sẽ cộng dồn đáng kể.

K2.7 thực sự cải thiện những gì

Thông báo của Moonshot mở đầu bằng ba con số: +21,8% so với K2.6 trên Kimi Code Bench v2, +11,0% trên Program Bench và +31,5% trên MLS Bench Lite, cùng tuyên bố lượng token suy luận thấp hơn khoảng 30% so với K2.6.

Đây là các con số do chính hãng công bố, chạy trên bộ benchmark của Moonshot. Điều cần nói thật là tính đến ngày 13 tháng 6 năm 2026 — một ngày sau khi phát hành — chưa có con số độc lập từ bên thứ ba cho K2.7 trên các bộ công khai tiêu chuẩn — SWE-bench Verified, SWE-bench Pro, Terminal-Bench, LiveCodeBench, GPQA Diamond, AIME hay MMLU-Pro. Việc xác minh đó sẽ đến trong những ngày tới. Dựa trên quỹ đạo của K2.6 (mô hình đã tạo ra các benchmark độc lập có tính cạnh tranh), các con số nội bộ nhiều khả năng chính xác về xu hướng.

Kết quả gần độc lập nổi bật nhất cho đến nay: K2.7-Code đạt 81,1 trên MCP Mark Verified, vượt 76,4% của Claude Opus 4.8. Bộ kiểm tra này đánh giá việc gọi công cụ chính xác qua Model Context Protocol — kiểm tra CI, cập nhật ticket và chỉnh sửa tệp trong một vòng lặp. Việc một mô hình trọng số mở giờ vượt Opus 4.8 về sử dụng công cụ MCP, theo bất kỳ thước đo hợp lý nào, là một khoảnh khắc bước ngoặt cho AI mã nguồn mở.

Câu chuyện về nền tảng Kimi Code

Một yếu tố ít được nhắc trong các so sánh mô hình: K2.7-Code ra mắt bên trong Kimi Code — tác nhân terminal mã nguồn mở của Moonshot — với các gói hội viên niêm yết từ $19/tháng. Moonshot đang cạnh tranh rõ ràng trên toàn bộ ngăn xếp: mô hình, CLI và kinh tế đăng ký. Đây là bài toán kinh tế giữa Cursor và Kimi, và nó quan trọng với các nhóm đánh giá toàn diện quy trình làm việc lập trình AI của họ chứ không chỉ mô hình thô.

Bản thân CLI Kimi Code đáng để thử. Nó hiểu shell, hỗ trợ tích hợp máy chủ MCP, và giấy phép mã nguồn mở nghĩa là bạn không bị khóa vào API của Moonshot nếu muốn tự lưu trữ.

Khả năng đa phương thức

Giống M3, K2.7 Code không giới hạn ở văn bản. Nhà phát triển có thể tải lên ảnh chụp màn hình, sơ đồ, bản mô phỏng sản phẩm hoặc thậm chí video và yêu cầu mô hình tạo mã dựa trên chúng. Điều này khiến nó hữu ích cho phát triển giao diện người dùng, gỡ lỗi các vấn đề hình ảnh và dịch ngược giao diện. Năng lực thị giác là thật và thực sự hữu ích cho các tác vụ lập trình tập trung vào UI, dù khả năng đa phương thức của K2.7 hẹp hơn một chút so với M3 (mô hình bao gồm cả sử dụng máy tính để bàn).

Giá

Giá của Kimi K2.7 Code là $0.95 cho một triệu token đầu vào, $4.00 cho một triệu token đầu ra và $0.19 cho một triệu token khi trúng bộ nhớ đệm, trên API Moonshot. Trọng số miễn phí có sẵn trên Hugging Face để tự lưu trữ.

Với một mô hình nghìn tỷ tham số, mức $0.95 cho đầu vào là rất cạnh tranh. Giá đầu ra ($4.00) cao hơn M3 về con số tuyệt đối, nhưng việc K2.7’giảm 30% token suy luận nghĩa là chi phí thực tế cho mỗi tác vụ hoàn thành có thể thấp hơn con số thô trên mỗi token gợi ý. Bạn nên mô hình hóa giá theo khối lượng công việc cụ thể của mình, chứ không chỉ dựa vào mức giá tiêu đề.

---

Nemotron 3 Ultra

Ai tạo ra và vì sao

Điều mà phần lớn bài viết ít nhấn mạnh về Nemotron 3 Ultra là: đây là NVIDIA tự xây dựng một mô hình tiên phong. Không phải một công ty chip chỉ chơi qua loa với AI, cũng không phải một phòng nghiên cứu trực thuộc một doanh nghiệp hạ tầng — NVIDIA, công ty có doanh thu phụ thuộc vào các lượt huấn luyện AI của tất cả những người khác, đã quyết định xây dựng và phát hành một mô hình tiên phong cạnh tranh dưới giấy phép hoàn toàn mở. Đó là một tuyên bố đáng kể về hướng đi của thị trường.

Ngày 4 tháng 6 năm 2026, NVIDIA phát hành Nemotron 3 Ultra, một mô hình suy luận 550 tỷ tham số hoàn toàn mở, được xây dựng riêng cho các tác nhân chạy dài hạn.

Ngày 4 tháng 6 năm 2026, NVIDIA lặng lẽ đưa Nemotron 3 Ultra lên Hugging Face, hai ngày sau khi Jensen Huang công bố nó từ sân khấu Computex ở Đài Bắc. 550 tỷ tham số. 55 tỷ tham số hoạt động mỗi lượt truyền xuôi. Hơn 300 token mỗi giây. Điểm Intelligence Index cao nhất từ trước đến nay của một mô hình trọng số mở do Mỹ phát triển.

Kiến trúc: Mamba-Transformer lai làm thay đổi mọi thứ

Đây là chỗ Nemotron 3 Ultra trở nên thú vị về mặt kỹ thuật. Trong khi M3 dùng attention thưa để xử lý ngữ cảnh dài và K2.7 vẫn đi theo hướng transformer MoE đã được chứng minh, Nemotron Ultra chọn một con đường hoàn toàn khác.

NVIDIA phát hành Nemotron 3 Ultra dưới dạng mô hình Mixture-of-Experts 550B tham số với 55B tham số hoạt động, được tối ưu để điều phối các quy trình làm việc của tác nhân phức tạp, chạy dài hạn. Những đổi mới về kiến trúc gồm các lớp Mamba-Transformer lai để xử lý ngữ cảnh dài hiệu quả, lượng tử hóa NVFP4 cho triển khai GPU đa kiến trúc với thông lượng cao hơn tới 5 lần, LatentMoE để định tuyến chuyên gia, và dự đoán nhiều token để tăng tốc sinh văn bản trong các tác vụ nhiều lượt.

Cách tiếp cận Mamba-Transformer lai rất đáng chú ý. Các lớp Mamba xử lý phụ thuộc tuần tự hiệu quả hơn attention tiêu chuẩn ở ngữ cảnh dài — chúng mở rộng tuyến tính thay vì bậc hai theo độ dài chuỗi. Kết hợp điều đó với attention transformer cho những tác vụ cần đến nó, rồi bọc tất cả trong kiến trúc MoE, cho phép NVIDIA đạt được một tổ hợp khác thường: trí tuệ cao, thông lượng cao và chi phí trên mỗi token tương đối thấp.

Lượng tử hóa NVFP4 là một điểm khác biệt nữa. Trên các GPU Blackwell (kế nhiệm H100), nó chạy với phép toán FP4 gốc. Trên Hopper (H100), nó chuyển sang W4A16. Dù thế nào, Nemotron 3 Ultra đạt thông lượng suy luận cao hơn 5,9 lần so với GLM-5.1, nhanh hơn 4,8 lần so với Kimi K2.6 và nhanh hơn 1,6 lần so với Qwen-3.5 ở cấu hình 8K đầu vào / 64K đầu ra, đồng thời đạt độ chính xác tương đương trên nhiều benchmark tác nhân và suy luận.

Đọc lại nhé: nhanh hơn 4,8 lần so với Kimi K2.6 với độ chính xác tương đương. Với những đội đang chạy tác nhân trong môi trường sản xuất, khoảng cách thông lượng đó quy đổi trực tiếp thành chi phí trên mỗi tác vụ.

Benchmark và chỉ số thông minh

Nemotron 3 Ultra đạt 47,7 điểm trên Artificial Analysis Intelligence Index — vượt xa các mô hình trọng số mở mạnh nhất tiếp theo của Mỹ: Gemma 4 31B với 39,2, Nemotron 3 Super với 36,0 và gpt-oss-120b với 33,3.

Lời lưu ý trung thực nằm ngay trong cùng đoạn đó: nó vẫn đứng sau biên giới trọng số mở do Trung Quốc dẫn dắt (Kimi K2.6 với 53,9). Đây là câu chuyện nước Mỹ dẫn đầu, và là một câu chuyện hay — nhưng Nemotron Ultra không phải mô hình trọng số mở tốt nhất thế giới hiện nay. Nó là mô hình tốt nhất của Mỹ, và vượt trội so với phần còn lại.

Ở các tác vụ tác nhân, Nemotron 3 Ultra đạt 90,0 trên PinchBench và 56,0 trên ProfBench Search. Nhóm NVIDIA giữ cả hai làm cổng kiểm tra khả năng tổng quát hóa độc lập, chỉ chấm điểm một lần trên mô hình cuối cùng. Nó đạt 71,9 trên SWE-Bench Verified và 56,4 trên Terminal Bench 2.1. Về suy luận, nó đạt 570,0 trên IOI 2025, mà NVIDIA mô tả là mức lập trình thi đấu tương đương top 3 con người.

Điểm 71,9% trên SWE-Bench Verified đặc biệt cạnh tranh. Con số đó còn sau Claude Fable 5 và GPT-5.5 ở biên giới mô hình đóng, nhưng dẫn trước phần lớn các lựa chọn trọng số mở khác — và quan trọng là nó được đo nhất quán trên nhiều khung tác nhân.

Trên AA-Omniscience, nó ghi điểm không ảo giác cao nhất trong nhóm là 78,7, cho thấy xu hướng trả lời thấp hơn khi không chắc chắn. Ngữ cảnh dài vẫn giữ được ở quy mô lớn — mô hình đạt 94,7 trên RULER ở 1 triệu token.

Con số về ảo giác đó đáng được nhấn mạnh. Trong các quy trình làm việc của tác nhân ở môi trường sản xuất, một mô hình biết khi nào nó không biết điều gì đó thường có giá trị hơn một mô hình đạt điểm cao hơn vài phần trăm trên benchmark nhưng lại tự tin bịa đặt để vượt qua các trường hợp biên.

Câu chuyện dữ liệu huấn luyện mở

NVIDIA đã công bố — cộng dồn qua ba lần ra mắt Nemotron 3 — 50 triệu mẫu tinh chỉnh có giám sát, 2 triệu tác vụ học tăng cường và 55 môi trường RL. Mức độ mở đó là điều khác thường với một họ mô hình tầm tiên phong, và đó chính là điều mà cộng đồng nghiên cứu AI hưởng ứng mạnh mẽ nhất.

Nếu bạn muốn tinh chỉnh hoặc mở rộng Nemotron Ultra, bạn không phải làm trong bóng tối. Công thức huấn luyện, dữ liệu và môi trường đánh giá đều công khai. Với các đội doanh nghiệp cần hiệu năng chuyên biệt theo lĩnh vực và có khả năng tinh chỉnh, đây là một lợi thế đáng kể mà cả M3 lẫn K2.7 Code hiện chưa sánh được.

Giá

DeepInfra đã có endpoint trước phát hành hoạt động, với giá $0.37/M đầu vào và $1.08/M đầu ra — tốt hơn mức trung vị cho phân khúc kích thước này. OpenRouter đã lập chỉ mục và cho truy cập. Tích hợp doanh nghiệp có sẵn qua các microservice NVIDIA NIM tại build.nvidia.com.

Nemotron 3 Ultra chạy ở mức $0.50 cho một triệu token đầu vào và $2.50 cho đầu ra ở một số nhà cung cấp, mang lại hiệu năng trên giá tốt cho một mô hình ở mức trí tuệ này.

---

Benchmark đối đầu

Dưới đây là cái nhìn song song về các con số cốt lõi của cả ba mô hình, kèm bối cảnh về việc mỗi benchmark thực sự đo điều gì:

SWE-Bench Pro (giải quyết vấn đề GitHub thực tế)

SWE-Bench Pro kiểm tra khả năng giải quyết các issue GitHub thực tế được tạo sau mốc huấn luyện của mô hình — giảm nguy cơ nhiễm dữ liệu so với các biến thể SWE-Bench trước đó. Đây là thứ gần nhất với câu hỏi “mô hình này có sửa được lỗi thật trong cơ sở mã thật không?” mà cộng đồng benchmark đã tạo ra cho đến nay.

• MiniMax M3: 59,0% (do công ty báo cáo)
• Nemotron 3 Ultra: ~56-71,9% (SWE-Bench Verified); số liệu SWE-Bench Pro đang chờ xác nhận độc lập
• Kimi K2.7 Code: K2.6 đạt 58,6%; mức cải thiện nội bộ của K2.7 cho thấy con số tương đương hoặc cao hơn — đang chờ điểm độc lập

Terminal-Bench 2.1 (tác vụ CLI nhiều bước)

Terminal-Bench kiểm tra điều mà các tác nhân thực sự làm trong môi trường sản xuất: các tác vụ shell nhiều bước trong môi trường terminal thực. Điều này gần với câu hỏi “nó có chạy được một pipeline CI không” hơn là “nó có tự động hoàn thành mã không.”

• MiniMax M3: 66.0%
• Nemotron 3 Ultra: 56.4%
• Kimi K2.7 Code: K2.6 dẫn đầu với 67,2%; K2.7 được kỳ vọng sẽ cải thiện chỉ số này

Trên Terminal-Bench, M3 và K2.7 ở cùng một tầm, cả hai đều vượt Nemotron Ultra. Điều này hợp lý — M3 và họ Kimi được tối ưu riêng cho các tác vụ lập trình dài hạn, trong khi các ưu tiên thiết kế của Nemotron Ultra rộng hơn.

Sử dụng công cụ MCP (Model Context Protocol)

Sử dụng công cụ MCP ngày càng là benchmark quan trọng nhất đối với các triển khai tác nhân thực tế. Gọi công cụ đúng không chỉ là chuyện điểm benchmark — mà là chuyện tác nhân của bạn có thực sự thực thi đúng hành động mà không bịa ra tên hàm hay tham số hay không.

• Kimi K2.7 Code: 81,1 trên MCP Mark Verified (vượt 76,4 của Claude Opus 4.8)
• MiniMax M3: 74,2 trên MCP Atlas (do công ty báo cáo)
• Nemotron 3 Ultra: Điểm BFCL V4 mạnh (gọi hàm), số liệu MCP Mark chính xác chưa được công bố

K2.7 thắng rõ ràng ở hạng mục này. Việc tinh chỉnh tác nhân của Moonshot đã nhắm cụ thể vào các mẫu gọi công cụ, và điều đó thể hiện rõ.

Chỉ số thông minh Artificial Analysis (điểm tổng hợp)

Tổ hợp 10 bài đánh giá này bao gồm suy luận, kiến thức, toán học và lập trình — về cơ bản là trung bình có trọng số về trí tuệ tổng quát của một mô hình.

• Họ Kimi K2.6 / K2.7: 53-54 (số liệu K2.7 đang chờ)
• Nemotron 3 Ultra: 47.7
• MiniMax M3: Chưa được xếp hạng (BenchLM xếp M3 ở 76/100 trên bảng xếp hạng tạm thời, hạng 29/122)

Tốc độ (token mỗi giây)

Đây là chỗ kiến trúc của Nemotron Ultra kể một câu chuyện khác:

• Nemotron 3 Ultra: Hơn 300 token/giây trên GB200, nhanh hơn GLM-5.1 5,9 lần, nhanh hơn Kimi K2.6 4,8 lần
• MiniMax M3: ~100 token/giây ở ngữ cảnh 1M
• Kimi K2.7 Code: Tương đương K2.6 (cải thiện thông lượng nhờ hiệu quả token chứ không phải tốc độ thô)

Với các triển khai production thông lượng cao, nơi bạn chạy nhiều tác nhân song song, lợi thế thông lượng của Nemotron Ultra là đáng kể.

---

Hiệu năng tác nhân trong thực tế: Hermes, OpenClaw & WildClawBench

Benchmark là một chuyện. Việc các mô hình này thực sự hoạt động ra sao trong các framework tác nhân mà nhà phát triển đang triển khai hôm nay lại là chuyện khác.

OpenClaw: framework tác nhân đang chiếm lĩnh

Nếu bạn chưa từng nghe đến OpenClaw thì sẽ sớm nghe thôi. Chỉ trong hai tháng, OpenClaw đã đạt 247.000 GitHub Stars, trở thành một nền tảng tác nhân AI được các công ty ở Thung lũng Silicon và Trung Quốc háo hức đón nhận. Nó chạy cục bộ, không phụ thuộc mô hình và tích hợp với các ứng dụng nhắn tin — ba đặc điểm khiến nó khác biệt rõ rệt so với các trợ lý AI dạng SaaS.

OpenClaw được thiết kế để không phụ thuộc mô hình, nghĩa là chất lượng trải nghiệm của bạn gần như phụ thuộc hoàn toàn vào việc bạn đưa LLM nào vào phần back end. Đây là lúc việc chọn mô hình trở nên có hệ quả trực tiếp.

Việc benchmark OpenClaw của PinchBench chạy 23 tác vụ thuộc thực thi mã, tạo nội dung, nghiên cứu và công cụ hệ thống. Bài kiểm tra gồm 23 tác vụ bao phủ thực thi mã, tạo nội dung và công cụ hệ thống — mã nguồn mở và có thể tái lập, dùng dữ liệu từ các bài kiểm tra tác nhân OpenClaw của PinchBench.

Trong đánh giá OpenClaw của PinchBench:

• Nemotron 3 Ultra: 90% ở PinchBench Agent Productivity (ngang bằng Kimi K2.6 — mô hình mở Trung Quốc tốt nhất về hoàn thành tác vụ theo benchmark này)
• Kimi K2.7 Code: Dự kiến sẽ cạnh tranh hoặc vượt qua kết quả mạnh mẽ của K2.6
• MiniMax M3: Nhìn chung điểm tác nhân mạnh; lợi thế chi phí gấp 5 lần so với Kimi K2.6 trong các bài kiểm tra công cụ thực tế của Composio đáng để ý

Một so sánh thực tế của Composio giữa M3 và K2.6 (bản tiền nhiệm của K2.7) phát hiện điều thú vị: M3 tốn $0.81 cho 25 tác vụ Composio, còn Kimi tốn $4.08 — khoảng gấp 5 lần. M3 nhỉnh hơn rõ rệt ở việc viết mã terminal khó; còn điều phối công cụ SaaS thông thường thì gần như ngang nhau.

Khoảng cách chi phí đó không chỉ là câu chuyện kinh tế — nó có nghĩa là bạn có thể chạy số vòng lặp tác nhân nhiều gấp 5 lần với cùng ngân sách, điều này quan trọng với các tác vụ viết mã thiên về khám phá, nơi tốc độ lặp là nút thắt.

Hermes Agent: framework không thiên vị

WildClawBench, công bố tháng 5 năm 2026 bởi InternLM, là một trong những đánh giá tác nhân độc lập nghiêm ngặt nhất hiện có. Benchmark kiểm tra điều thực sự quan trọng: một tác nhân AI có làm được việc thật, từ đầu đến cuối, mà không cần cầm tay chỉ việc không? Nó chạy cùng một bộ 60 tác vụ dưới bốn harness tác nhân khác nhau — OpenClaw, Claude Code, Codex CLI và Hermes Agent — tách năng lực mô hình khỏi phần giàn giáo của harness.

Riêng harness Hermes đáng chú ý vì nó được thiết kế để kiểm tra các mô hình độc lập với giàn giáo tác nhân của bất kỳ nhà cung cấp nào. Đó là một tín hiệu sạch về chất lượng nền tảng của mô hình.

Nemotron 3 Ultra đạt điểm SWEBench Verified từ 65% đến 70,4% trên Pi, OpenHands, Hermes, OpenCode và Mini SWE Agent — hiệu suất ổn định bất kể bạn triển khai framework nào.

Sự ổn định đó giữa các harness là một tín hiệu chất lượng có ý nghĩa. Nhiều mô hình đạt điểm cao trong CLI riêng của chúng lại giảm sút rõ rệt khi bạn đưa vào một framework tác nhân khác. Kiến trúc của Nemotron Ultra có vẻ vững vàng trước thay đổi framework — có lẽ vì NVIDIA đã chủ động huấn luyện trên nhiều harness tác nhân cho mỗi loại tác vụ thay vì tối ưu cho một cái.

Với M3 và K2.7 Code, các con số riêng của WildClawBench vẫn đang được cộng đồng lan truyền, nhưng sức mạnh lịch sử của dòng K2 trong các đánh giá tác nhân và những cải thiện MCP của K2.7 cho thấy kết quả mạnh trên harness Hermes.

Kết luận về framework

Nếu bạn xây dựng trên OpenClaw và chi phí quan trọng: M3 là mô hình của bạn. Nếu bạn làm các pipeline nặng MCP: K2.7 Code dẫn đầu. Nếu bạn cần sự ổn định không phụ thuộc framework trên Hermes, OpenClaw và các nền tảng khác cùng lúc: sự ổn định độc lập harness của Nemotron Ultra là lựa chọn đúng.

---

Vibe coding: mô hình nào thực sự xây dựng ứng dụng tốt?

“Vibe coding” đã trở thành cách gọi tắt cho một phong cách phát triển có AI hỗ trợ, trong đó bạn xây dựng toàn bộ tính năng hoặc ứng dụng nhỏ một cách lặp đi lặp lại từ các prompt ngôn ngữ tự nhiên, thường bắt đầu từ ảnh chụp màn hình, bản mockup hoặc mô tả sơ lược. Nó ít nói về việc sinh mã chính xác mà nhiều hơn về khả năng của mô hình giữ một tầm nhìn sản phẩm mạch lạc qua nhiều lượt trao đổi trong khi tạo ra đầu ra chạy được và nhất quán về hình ảnh.

Mỗi mô hình trong ba mô hình này tiếp cận vibe coding theo cách khác nhau, và những khác biệt đó có ý nghĩa.

MiniMax M3: nền tảng đa phương thức mạnh nhất

M3 được xây dựng có mục đích cho khía cạnh hình ảnh của vibe coding. MiniMax giới thiệu VIBE (Visual & Interactive Benchmark for Execution) đúng để đo khả năng của mô hình trong việc xây dựng ứng dụng hoàn chỉnh, chạy được từ con số không — tự động đánh giá logic tương tác và cách trình bày hình ảnh của ứng dụng được tạo trong một môi trường thực thi thật.

Việc M3 giới thiệu benchmark này rất đáng nói. MiniMax rõ ràng tin rằng các benchmark lập trình tiêu chuẩn — vốn kiểm tra xem mã có vượt qua unit test không — bỏ qua câu hỏi thực sự quan trọng với vibe coding: ứng dụng có hoạt động và và trông ổn không?

Trên thực tế, đầu vào video/hình ảnh gốc của M3 nghĩa là bạn có thể dán ảnh chụp màn hình Figma hoặc một phiên người dùng đã ghi lại và yêu cầu mô hình xây dựng trực tiếp từ đó. Đó là một quy trình làm việc khác về bản chất so với việc mô tả bằng lời. Với phát triển thiên về frontend — component React, giao diện web app, bố cục ưu tiên di động — khả năng đầu vào hình ảnh của M3 thay đổi vòng lặp theo cách mà các mô hình chỉ văn bản không thể sánh được.

Cửa sổ ngữ cảnh 1M token cũng quan trọng với vibe coding theo một cách cụ thể: bạn có thể đưa cả một codebase cỡ trung bình vào ngữ cảnh, nghĩa là mô hình có thể tái cấu trúc xuyên tệp mà không mất mạch về thứ nó đang xây. Đây là một trong những kiểu thất bại thật sự khi vibe coding với các mô hình ngữ cảnh nhỏ hơn — mã bắt đầu lệch khỏi chính nó qua các lượt khi mô hình đánh mất các quyết định kiến trúc trước đó.

Kimi K2.7 Code: vibe coding tích hợp công cụ tốt nhất

Nhà phát triển có thể tải lên ảnh chụp màn hình, sơ đồ, bản mockup sản phẩm hoặc thậm chí video và yêu cầu Kimi K2.7 sinh mã dựa trên đó — hữu ích cho phát triển frontend, gỡ lỗi các vấn đề hình ảnh và phân tích ngược giao diện.

Lợi thế của K2.7 trong vibe coding là tích hợp công cụ MCP. Khi bạn xây dựng qua Kimi Code CLI, mô hình có thể lặp qua một terminal thật: chạy ứng dụng, kiểm tra đầu ra, đọc log lỗi và lặp lại — tất cả trong cùng một phiên. Vòng lặp từ đầu đến cuối với phản hồi thực thi thật đó chính là điều phân biệt “sinh mã” với “thực sự xây ra thứ đó”.

Việc giảm 30% token cũng quan trọng riêng với vibe coding vì các phiên vibe coding thường dài và mang tính hội thoại. Một mô hình dùng ít token hơn cho mỗi bước suy luận có thể duy trì phiên dài hơn với chi phí thấp hơn, điều này khớp trực tiếp với cách xây dựng ứng dụng lặp đi lặp lại thực sự diễn ra.

Nemotron 3 Ultra: mạnh mẽ nhưng ít chuyên biệt hơn

Nemotron Ultra là một mẫu đa năng mạnh và xử lý tốt đầu vào đa phương thức, nhưng ưu tiên thiết kế của nó là tối ưu cho sự ổn định của tác nhân và độ sâu suy luận, chứ không phải giao diện hình ảnh của vibe coding. Với các quy trình làm việc vibe coding thuần túy — đưa ảnh chụp vào, nhận ứng dụng chạy được — M3 là lựa chọn tự nhiên hơn.

Chỗ Nemotron Ultra tỏa sáng trong quy trình phát triển là ở các giai đoạn kiến trúc và nặng suy luận của việc xây dựng: thiết kế các thành phần hệ thống, gỡ lỗi các vấn đề quản lý trạng thái phức tạp hoặc xử lý một thuật toán hóc búa. Nó ít là “xây giao diện này từ ảnh chụp này” mà nhiều hơn là “giúp tôi thiết kế kiến trúc và suy luận qua các trường hợp biên.”

Kết luận về vibe coding

Với vibe coding, thứ hạng là: M3 (tích hợp hình ảnh tốt nhất, ngữ cảnh lớn nhất, rẻ nhất) → K2.7 Code (vòng phản hồi thực thi thật tốt nhất, dùng công cụ mạnh nhất) → Nemotron Ultra (trợ lý suy luận xuất sắc, ít chuyên biệt hơn cho việc xây ứng dụng trực quan).

Nếu bạn làm vibe coding chủ yếu trên một stack nặng về giao diện (React, Vue, di động), M3 là mô hình của bạn. Nếu bạn xây các ứng dụng hay hệ thống nặng backend, nơi vòng lặp gồm việc chạy và kiểm thử chính đoạn mã, thì tích hợp MCP của K2.7 Code là lợi thế.

---

Giá & phân tích chi phí so với hiệu năng

Hãy xem bài toán chi phí thực tế, vì các benchmark nổi bật chỉ có ý nghĩa trong bối cảnh bạn đang trả bao nhiêu.

Mô hình	Đầu vào (mỗi 1M token)	Đầu ra (mỗi 1M token)	Ngữ cảnh	Giấy phép
MiniMax M3 (khuyến mại)	$0.30	$1.20	1M	Trọng số mở
MiniMax M3 (tiêu chuẩn)	$0.60	$2.40	1M	Trọng số mở
Kimi K2.7 Code	$0.95	$4.00	256K	Modified MIT
Nemotron 3 Ultra (DeepInfra)	$0.37	$1.08	1M	OpenMDW-1.1
Claude Opus 4.8	$5.00	$25.00	—	Độc quyền
GPT-5.5	~$10.00+	~$30.00+	—	Độc quyền

Câu chuyện chi phí trở nên tinh tế hơn khi bạn tính đến hiệu quả. Việc K2.7 giảm 30% token nghĩa là một phiên dùng 1M token đầu ra trên K2.6 sẽ chỉ cần khoảng 700K trên K2.7. Với giá 4,00 US$/M đầu ra, đó là 4,00 US$ so với 2,80 US$ — không chỉ là chênh lệch về mức giá mà còn là khoản tiết kiệm nhờ hiệu quả. Qua những lượt chạy tác nhân dài, khoản đó cộng dồn đáng kể.

Nemotron Ultra với giá 0,37/1,08 US$ từ DeepInfra là rất phải chăng cho một mô hình 550B với chỉ số thông minh 47,7 — một phần nhờ lợi thế thông lượng (nhanh hơn 5,9 lần nghĩa là chi phí thấp hơn cho mỗi tác vụ hoàn thành, kể cả khi giá mỗi token bằng nhau).

M3 với giá khuyến mãi là rẻ nhất tính theo mức giá tuyệt đối, dù giá tiêu chuẩn 0,60/2,40 US$ vẫn là giá trị tuyệt vời cho cửa sổ ngữ cảnh một triệu token với khả năng lập trình hàng đầu.

Với hầu hết triển khai thực tế, cách tính chi phí thực sự không phải là token trên mỗi đô la mà là số lần hoàn thành trên mỗi đô la. Hãy xây một bộ kiểm thử nhỏ, đại diện cho chính các tác vụ của bạn rồi tính giá từng mô hình dựa trên đó. Mức giá quảng cáo chỉ là điểm khởi đầu, không phải câu trả lời.

---

Ai nên dùng mô hình nào?

Ba mô hình này thực ra không cạnh tranh cho cùng một trường hợp sử dụng. Đây là bản phân tích thực dụng:

Chọn MiniMax M3 nếu:

• Bạn cần cửa sổ ngữ cảnh lớn nhất cho cơ sở mã lớn, tài liệu dài hoặc dự án nhiều tệp
• Quy trình làm việc của bạn thiên về hình ảnh (ảnh chụp màn hình → mã, bản phác thảo → triển khai)
• Chi phí là ràng buộc chính và bạn cần chạy nhiều vòng lặp
• Bạn đang xây dựng tác nhân trình duyệt hoặc đường ống nghiên cứu tự động hưởng lợi từ thế mạnh của BrowseComp
• Bạn muốn một mô hình duy nhất xử lý văn bản, hình ảnh và video mà không cần chuyển đổi

Chọn Kimi K2.7 Code nếu:

• Bạn đang xây dựng đường ống tích hợp MCP và cần độ tin cậy gọi công cụ tốt nhất
• Bạn đang làm công việc lập trình tác nhân tầm dài với quy trình làm việc nhiều bước trên terminal
• Bạn triển khai qua Kimi Code CLI và muốn tích hợp mô hình với harness khít chặt nhất
• Bạn muốn sự linh hoạt của mô hình trọng số mở với giấy phép Modified MIT
• Hiệu quả token qua các phiên dài quan trọng (mức giảm 30% cộng dồn qua những lượt chạy tác nhân lớn)

Chọn Nemotron 3 Ultra nếu:

• Bạn thuộc một doanh nghiệp tại Hoa Kỳ và những lo ngại địa chính trị về dữ liệu loại trừ các mô hình có nguồn gốc Trung Quốc
• Bạn cần tinh chỉnh mô hình với quyền truy cập đầy đủ vào dữ liệu huấn luyện, mẫu SFT và môi trường RL
• Tính nhất quán giữa các framework quan trọng — bạn triển khai đồng thời trên Hermes, OpenClaw và các harness khác
• Thông lượng là yếu tố then chốt cho việc triển khai tác nhân đồng thời với khối lượng lớn
• Bạn làm công việc nặng về suy luận: lập trình thi đấu, kiến trúc phức tạp, các bài toán suy luận trình độ sau đại học
• Bạn muốn mô hình Mỹ trọng số mở tốt nhất, chấm hết

Trường hợp ngoại lệ cần nói thẳng: Nếu bạn ở trong bối cảnh một startup nhỏ hoặc nhà phát triển độc lập với yêu cầu dữ liệu linh hoạt và chi phí là ràng buộc chính, thì M3 với giá khuyến mại thực sự khó đánh bại. Nếu bạn ở trong bối cảnh doanh nghiệp Mỹ có quy định chặt chẽ, Nemotron Ultra là lựa chọn mặc định an toàn, và nó đủ cạnh tranh để bạn không phải đánh đổi nhiều khi tránh các mô hình gốc Trung Quốc.

---

Vấn đề ngại nhắc: quyền riêng tư dữ liệu

So sánh này sẽ không đầy đủ nếu không đề cập một chủ đề ngày càng liên quan đến việc triển khai trong doanh nghiệp.

MiniMax đặt trụ sở tại Thượng Hải. Theo Luật Tình báo Quốc gia của Trung Quốc ban hành năm 2017, mọi công ty Trung Quốc — kể cả MiniMax — đều có nghĩa vụ pháp lý phải “hỗ trợ, giúp đỡ và hợp tác với công tác tình báo nhà nước.” Nghĩa vụ này áp dụng liên tục và không có con đường pháp lý nào để công ty từ chối tuân thủ khi có yêu cầu từ chính phủ.

Một cuộc điều tra của Quốc hội Mỹ công bố ngày 29 tháng 4 năm 2026 đã nêu tên MiniMax cùng các phòng thí nghiệm AI Trung Quốc khác; Anthropic đệ đơn cáo buộc vào tháng 2 năm 2026 về việc chưng cất quy mô công nghiệp đối với Claude; và một vụ kiện bản quyền đang diễn ra của Disney, Universal và Warner Bros. Discovery về sản phẩm Hailuo đã được phép tiếp tục vào ngày 26 tháng 5 năm 2026.

Những cân nhắc tương tự cũng áp dụng cho Kimi K2.7 Code của Moonshot AI (cũng có trụ sở tại Bắc Kinh). Giá trị kỹ thuật của các mô hình này là có thật, nhưng các nhóm mua sắm doanh nghiệp trong những ngành có quy định chặt chẽ, các công ty liên quan đến quốc phòng, hay bất kỳ tổ chức nào xử lý tài sản trí tuệ nhạy cảm cần đưa những cân nhắc này vào quyết định.

Tính chất trọng số mở của cả hai mô hình mang lại một cách giảm thiểu tiềm năng: nếu bạn tự lưu trữ trên hạ tầng của mình và không bao giờ gửi yêu cầu đến API của Moonshot hay MiniMax, thì dòng dữ liệu đến hạ tầng Trung Quốc có thể bị cắt. Việc đó có đủ cho các yêu cầu tuân thủ của bạn hay không là câu hỏi pháp lý và rủi ro riêng cho tổ chức của bạn.

Nemotron Ultra là mô hình của NVIDIA, một công ty Mỹ, theo giấy phép OpenMDW-1.1 của Linux Foundation. Với các doanh nghiệp Mỹ có yêu cầu chủ quyền dữ liệu, đó là một điểm khác biệt đáng kể mà các bảng benchmark không thể hiện được.

---

Kết luận cuối cùng

Hai tuần, ba bản phát hành mang tính bước ngoặt. Câu chuyện AI trọng số mở vào tháng 6 năm 2026 không phải là sự cải thiện dần dần — mà là một bước nhảy.

MiniMax M3 là mô hình linh hoạt nhất trong ba và là lựa chọn đáng giá nhất xét về chi phí tuyệt đối. Cửa sổ ngữ cảnh 1M token và khả năng đa phương thức gốc mang lại cho nó một hồ sơ độc đáo cho công việc phát triển thiên về hình ảnh. Điều cần lưu ý là các benchmark chưa được kiểm chứng và những cân nhắc về quyền riêng tư dữ liệu khi dùng trong doanh nghiệp.

Kimi K2.7 Code là mô hình lập trình tác nhân tốt nhất trong không gian trọng số mở hiện nay, chấm hết. Việc đánh bại Claude Opus 4.8 về sử dụng công cụ MCP khi là một mô hình trọng số mở không phải là một thắng lợi benchmark nhỏ — đó là khoảng cách giữa “bản demo phòng thí nghiệm ấn tượng” và “thực sự làm tốt hơn những gì tác nhân làm trong sản xuất.” Mức cải thiện hiệu quả token 30% so với K2.6 khiến nó rẻ hơn đáng kể khi chạy ở quy mô lớn. Điều cần lưu ý: nó là chuyên gia chỉ về lập trình, các benchmark độc lập vẫn đang chờ, và câu hỏi về nguồn gốc dữ liệu của Moonshot AI cũng giống như của MiniMax.

Nemotron 3 Ultra là mô hình bạn triển khai khi cần một mô hình trọng số mở chất lượng tiên phong mà bạn có thể tin cậy cho doanh nghiệp, tinh chỉnh với đầy đủ tính minh bạch, chạy nhanh hơn bất kỳ mô hình nào khác ở cùng mức trí tuệ, và được hậu thuẫn bởi uy tín chuỗi cung ứng khiến các nhóm pháp lý và mua sắm yên tâm. Lợi thế thông lượng 4,8 lần so với Kimi K2.6 thực sự mang tính đột phá cho khối lượng công việc tác nhân trong sản xuất, và sự nhất quán không phụ thuộc harness trong các benchmark tác nhân là tín hiệu chất lượng mà chỉ riêng các bảng benchmark không truyền tải hết.

Bài học rộng hơn từ hai tuần này: biên giới của AI trọng số mở đã chuyển từ “gần bằng các mô hình đóng” sang “tốt hơn các mô hình đóng ở những khía cạnh cụ thể quan trọng.” Kết quả sử dụng công cụ MCP của K2.7 là tín hiệu rõ ràng nhất cho đến nay. Chúng ta không còn chờ mã nguồn mở bắt kịp nữa — ở một số khía cạnh, nó đã đi trước.

Bạn đã thử mô hình nào trong số này trong môi trường sản xuất chưa? Hãy chia sẻ trải nghiệm của bạn trong phần bình luận — đặc biệt nếu bạn đã chạy các phiên tác nhân đối đầu trên OpenClaw hoặc Hermes. Các dữ liệu thực tế hiện nay có giá trị hơn bất kỳ benchmark nào.

Để đọc thêm các bài phân tích chuyên sâu về mô hình AI, hãy theo dõi tech.grahammiranda.com.